CN113032919A - 部件承载件制造方法、处理系统、计算机程序和系统架构 - Google Patents

部件承载件制造方法、处理系统、计算机程序和系统架构 Download PDF

Info

Publication number
CN113032919A
CN113032919A CN202110269628.1A CN202110269628A CN113032919A CN 113032919 A CN113032919 A CN 113032919A CN 202110269628 A CN202110269628 A CN 202110269628A CN 113032919 A CN113032919 A CN 113032919A
Authority
CN
China
Prior art keywords
image
component carrier
semi
finished component
defects
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110269628.1A
Other languages
English (en)
Other versions
CN113032919B (zh
Inventor
王勇
万学兵
陈彦旭
陈洋
林涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
AT&S Chongqing Co Ltd
Original Assignee
AT&S Chongqing Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by AT&S Chongqing Co Ltd filed Critical AT&S Chongqing Co Ltd
Priority to CN202110269628.1A priority Critical patent/CN113032919B/zh
Publication of CN113032919A publication Critical patent/CN113032919A/zh
Application granted granted Critical
Publication of CN113032919B publication Critical patent/CN113032919B/zh
Priority to EP22161393.8A priority patent/EP4057230A1/en
Priority to JP2022036830A priority patent/JP7302800B2/ja
Priority to US17/654,533 priority patent/US20220292660A1/en
Priority to TW111109046A priority patent/TWI788239B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N21/95684—Patterns showing highly reflecting parts, e.g. metallic elements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
    • G01N35/00584—Control arrangements for automatic analysers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10141—Special mode during image acquisition
    • G06T2207/10152—Varying illumination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30141—Printed circuit board [PCB]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • General Factory Administration (AREA)
  • Image Analysis (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Stored Programmes (AREA)
  • Computer And Data Communications (AREA)

Abstract

描述了用于制造部件承载件的方法和用于处理部件承载件的系统。该方法包括：(a)将半成品部件承载件供应到自动光学检查装置；(b)执行对半成品部件承载件的自动光学检查，包括下述步骤：通过第一照射捕获第一图像；通过第二照射捕获第二图像；将指示第一图像和/或第二图像的实际数据集与参考数据集进行比较；对潜在缺陷进行识别；(c)执行对半成品部件承载件的质量分类，包括下述步骤：生成虚拟的第三图像，指示在虚拟的第三照射的情况下的半成品部件承载件，第三光谱成分与第一光谱成分和第二光谱成分均不同；对三个图像进行处理；对识别出的潜在缺陷进行分类；(d)基于所执行的质量分类而采取动作。还描述了一种系统架构。

Description

部件承载件制造方法、处理系统、计算机程序和系统架构
技术领域
本发明总体上涉及制造部件承载件的技术领域。具体地，本发明涉及用于制造部件承载件的方法，在该方法中，借助于人工智能处理执行对部件承载件的半成品的质量分类。此外，本发明涉及用于在部件承载件的制造期间对半成品部件承载件的缺陷进行分类的系统架构。
背景技术
在装配有一个或更多个电子部件的部件承载件的电子功能不断增长、以及这种电子部件的小型化持续增加、以及要被安装在例如印刷电路板(PCB)的部件承载件上的电子部件的数量的不断增加的背景下，正在采用具有多个电子部件的越来越强大的阵列状的部件或封装件，这种阵列状的电子部件在相对较小的区域内具有多个接触端子，所述接触端子必须与形成在部件承载件上的相应的接触垫电接触。阵列状部件可以是例如球栅阵列件(BGA)。所述球栅阵列件的接触端子是球状件，随着微型化的发展，这些接触端子之间的间距越来越小。此外，在其操作期间，由这些电子部件和部件承载件本身产生的热量的去除变得越来越重要。同时，部件承载件应具有机械鲁棒性和电气可靠性以便使部件承载件能够进行操作，即使在恶劣的条件下，部件承载件也可以操作。
为了生产高质量的电子产品，重要的是使用高质量的部件承载件作为 (表面安装的)电子部件的安装基部。高质量的部件承载件的特征特别地在于(i)形成在部件承载件的上表面处以及(ii)由多层部件承载件的潜在存在的内部图案化的电层形成的在空间上精确限定的接触迹线图案。
为了制造高质量的部件承载件，必须在多步骤制造期间在面板层上执行对半成品部件承载件的质量分类。在过去，这种质量分类通常是由操作人员执行的。但是，由操作人员进行的质量分类很麻烦并且容易失败。
为了改善对半成品部件承载件的质量分类，已知的是将人工智能(AI) 系统与自动光学检查(AOI)系统结合使用以降低AOI输出信息的假检测缺陷的量，例如以降低AOI输出信息的假检测缺陷的数量或比率。然而，已知的系统仍然会产生大量的假检测缺陷。
可能存在对减少在制造半成品部件承载件时由于半成品部件承载件的基于AOI的质量分类所导致的假检测缺陷的量的需求。
发明内容
该需求可以通过本申请来满足。
根据本发明的第一方面，提供了一种用于制造部件承载件的方法。所提供的方法包括：(a)将半成品部件承载件供应到自动光学检查装置；以及(b)借助于自动光学检查装置执行对半成品部件承载件的自动光学检查。执行该自动光学检查包括下述步骤：(b1)通过第一照射捕获半成品部件承载件的第一图像；(b2)通过第二照射捕获半成品部件承载件的第二图像，该第一照射的第一光谱成分与第二照射的第二光谱成分不同；(b3)将指示第一图像和第二图像中的至少一者的实际数据集与指示对于半成品部件的参考图像的参考数据集进行比较；以及(b4)基于将实际数据集与参考数据集进行比较的结果来识别半成品部件承载件的潜在缺陷。所提供的方法还包括(c)执行对半成品部件承载件的质量分类。执行所述质量分类包括下述步骤：(c1)基于第一图像和第二图像中的至少一者生成半成品部件承载件的虚拟的第三图像，其中，该第三图像指示在虚拟的第三照射的情况下的半成品部件承载件，该第三照射的第三光谱成分与第一光谱成分和第二光谱成分均不同(c2)通过应用人工智能来处理所述第一图像、第二图像和所述第三图像；(c3)基于人工智能的处理将识别出的潜在缺陷以真缺陷和假缺陷的方式进行分类。所提供的方法还包括：(d)基于所执行的质量分类采取动作(仅针对真缺陷)。
所描述的方法基于下述思想：通过附加的第三图像，扩展了用于人工智能处理的数据基础。扩展的数据基础可以使人工智能处理实现更可靠的缺陷分类。
应当指出的是，所提到的数据基础包括仅与相应的(半成品)部件承载件有关的数据，该数据关于潜在的缺陷进行了研究。该数据基础优选地不包括在针对特定的(半成品)部件承载件执行所描述的方法之前手动地或自动地生成的所谓的“学习”数据。这意味着：根据AI的基本原理，“学习数据”可以是之前已经在基于人类的历史判断或者先前基于AI的分类判断的历史机器自学习数据的基础上生成的数据。
应当指出的是，下述情况并非是必需的：在实践中必须对用于制造(最终的)部件承载件而处理的所有半成品部件承载件均执行所描述的质量分类。质量分类限制可以限于被怀疑包括缺陷的半成品部件承载件。换句话说，在没有对缺陷存在的预见的情况下，可以照常处理相应的半成品部件承载件。
所描述的方法还可以提供可以实时地实现图像处理的优点。所描述的图像处理明显可以比任何人类交互快得多，即使是被指示对已通过AOI装置进行了识别的缺陷进行分类的非常熟练且非常快的操作员，所描述的图像处理也明显可以互快得多。对于由仅将(相应的半成品部件承载件的) 实际捕获图像用作数据输入的常规AI程序支持的AOI装置而言也是如此。
所描述的光谱成分可以被限定在任何可能的颜色空间中，所述比方说例如，所描述的光谱成分可以被限定在广泛使用的RGB或CMYK颜色空间中。
虚拟的第三图像的所描述的生成可以通过在波长尺度上于第一图像与第二图像之间的内插或外推来实现。为了生成的虚拟的第三图像，当然应当考虑相应的半成品部件承载件的通常的物理(光学)特性。为此，可以对可以“存储”在数据库中的先验知识进行参考。
应当提到的是，当然在不知晓被检查的半成品部件承载件的至少某些物理(光学)特性的情况下，将不可能生成虚拟的第三图像。但是，如果物理(光学)特性是已知的，则可以将虚拟的第三图像重建为“缺少颜色”图像。为此，可以考虑的是，所供应的相应的半成品部件承载件的不同材料在不同的光谱图像中具有不同的特征。这种重建算法的示例是由机械工程师及海洋学家Derya Akkaynak研发的所谓的“Sea-thru算法”。该算法可以消除水下图像中出现的伪影和失真。“Sea-thru”考虑了在不同的照射特性的情况下并且特别是在不同的光谱照射特性的情况下的图像差异，该差异特别是基于(在相应的半成品部件承载件的表面处的)不同光学结构的不同光谱散射行为。
还应当提到的是，也可以使用(先前的)人工智能(AI)方法来合成“缺失颜色”的图像。
在本文的上下文中，术语“部件承载件”可以特别地表示任何支撑结构，该支撑结构能够在该支撑结构上和/或支撑结构中容纳一个或更多个部件从而用于提供机械支撑和/或电连接和/或光连接和/或热连接。换言之，部件承载件可以被构造为用于部件的机械和/或电子承载件。特别地，部件承载件可以是印刷电路板、有机内插物和IC(集成电路)基板中的一者。部件承载件也可以是将上述类型的部件承载件中的不同的部件承载件组合的混合板。
在本文的上下文中，术语“自动光学检查”可以特别地表示光学监测系统，该光学监测系统捕获其半成品部件承载件的图像并检查相应的半成品部件承载件的特定特性是否与目标特性一致。为此，可以独立于操作人员起作用的自动光学检查单元可以捕获指示待检查的半成品部件承载件的图像的数据集，即，指示待检查的半成品部件承载件的实际图像的数据集。然后，可以将所述实际图像数据与指示参考图像或目标图像的数据集进行比较，即与指示半成品部件承载件应如何看起来满足特定规范的参数的数据集进行比较。这种自动光学检查的结果可能是半成品部件承载件通过了自动检查测试或未通过自动检查测试。
应当提到的是，自动光学检查(AOI)被执行成使得：根据用于设置人工智能(AI)软件的可用训练数据集，将图像数据与指示缺陷的数据集 (即已知的不良图像数据)进行比较，或与已知的良好图像数据和已知的不良图像数据进行比较。这种方法在AOI可能能够检测到一定的和绝对的有限数量的错误/缺陷时是有益的。从描述上来说，相比于将所获得的图像数据与“已知良好”的图像数据进行比较而言，将所获得的图像数据与“已知错误”的图像数据进行比较可能有助于减少AI处理所需的计算能力的量。
在本文的上下文中，术语“采取动作”可特别地表示可以执行可选自多个可能的动作的特定过程。可以根据质量分类的结果来决定要采取的动作。
在本文的上下文中，术语“人工智能”可以特别地表示诸如神经网络、 (深度)自学习或自适应系统、模糊逻辑等之类的工具。人工智能可以在电子硬件和软件资源的基础上独立于人类而操作。
在本文的上下文中，术语“将实际数据集与参考数据集进行比较”可以特别地表示：由于图像可以由收集的数据定义，因此从图像或图片去除的各种参数和/或测量值可以会比较。然而，也可以比较图像或图片本身或其像素。
根据本发明的实施方式，对识别出的潜在缺陷进行分类的步骤包括将识别出的潜在缺陷分类为真缺陷和假缺陷。这意味着将认识到的是，通过先前的自动光学检查(AOI)识别出的潜在缺陷不是真缺陷，而仅是假缺陷。因此，可以减少假缺陷的量，这当然减少了与采取动作相关的(手动)工作的量。换句话说，可以避免与处理假缺陷相关的无用工作，因此，可以显著提高部件承载件制造工厂中的操作员的人力生产率。
根据本发明的实施方式，第一光谱成分包括至少一个第一波长，第二光谱成分包括至少一个第二波长，并且第三光谱成分包括至少一个第三波长，该第三波长在波长尺度上位于第一波长与第二波长之间。
从描述上来说，第三波长以及相应的第三光谱成分可以被视为表示在波长尺度上于第一波长与第二波长之间的内插。两个“末端”光谱成分之间的这种内插可以实现扩展的数据基础，这可能最有助于提高缺陷分类的可靠性。可以看到这种“最佳改进”的原因在于：在现实世界中，第一“末端”光谱成分可能对第一类型的结构和/或第一类型的光学外观高度敏感，而第二“末端”光谱成分可能对不同的第二类型的结构和/或不同的第二类型的光学外观高度敏感，所述结构和/或光学外观可能与相应的半成品部件承载件中的潜在缺陷相关联。所述结构可以是与缺陷有关的二维(2D)或三维(3D)结构。光学外观也可以是相应的潜在缺陷的表面部分的任何光学外观。具体地，相关的光学外观可以是例如相应的表面部分的颜色、反射率、扩散系数、光泽度值和无光泽系数。当然，相关的光学外观可以在由相应的潜在缺陷所占据的空间区域内改变。
根据本发明的另外的实施方式，第一光谱成分包括红光，而第二光谱成分包括蓝光。这可以提供以下优点：可以使用通常的且便宜的LED光源来照亮相应的半成品部件承载件。由于这种LED光源通常用于当前可用的且已部署的AOI装置中，因此可以通过这种AOI装置来实现所描述的方法，而无需在硬件方面进行任何修改。因此，所描述的方法甚至可以通过已经工作了很长时间的相关技术的AOI装置来实现。所需要的是通过使数据处理器控制或执行所描述的方法的程序进行适当的软件更新。
根据本发明的另外的实施方式，第三光谱成分包括绿光。通过所生成的虚拟的第三绿色图像，将三个彩色图像用于人工智能处理，这些彩色图像占据了完整的且经常使用的色彩空间，即RGB颜色空间。这可以进一步有助于减少错误的量。
应当指出的是，通过在RGB颜色空间中的所描述的AI处理，可以模拟人的图像处理行为。本发明人已经认识到，RGB AI处理产生了用于识别假缺陷或假缺陷警报的可靠结果。
根据本发明的另外的实施方式，执行对半成品部件承载件的质量分类的步骤还包括：在生成虚拟的第三图像之后且在通过应用人工智能处理三个图像之前，对这三个图像中的至少一个图像的像素值进行变换，其中通过经变换的像素值来执行对这三个图像的处理。
通过适当的变换，可以以简单且可靠的方式实现以下的AI图像处理。可以采用通常可用的AI算法，这有助于所描述的方法的软件实现。
所描述的变换步骤可以包括像素值的归一化。这可以提供以下优点：要借助于AI技术处理的像素值将在精确定义的范围内。因此，可以对图像中的至少一个图像的潜在曝光过度以及潜在曝光不足来进行补偿。这可以进一步有助于显著减少假缺陷的量。
根据本发明的另外的实施方式，对第一图像、第二图像和第三图像进行处理的步骤(仅)通过(i)第一图像的第一组第一子图像、(ii)第二图像的第二组第二子图像、以及(iii)第三图像的第三组第三子图像来执行。因此，每个子图像显示至少一个识别出的潜在缺陷。
基于成组的子图像的所描述的处理可以提供以下优点：半成品部件承载件的没有识别出的潜在缺陷的区域可以不被用于AI图像处理。因此，可以节省很多计算能力。成组的子图像组也可以被命名为成批的子图像。
根据本发明的另外的实施方式，每组子图像被分配给正好一个半成品部件承载件。这可以提供以下优点：可以针对每个单个半成品部件承载件单独地执行所描述的AI图像处理。已经证明的是，这种类型的AI图像处理进一步有助于使未被识别出的假缺陷少量。
根据本发明的另外的实施方式，每个子图像的像素尺寸小于200×200 像素，特别地，每个子图像的像素尺寸小于100×100像素。这可以进一步减少所需的计算能力的量。
应当指出的是，由本发明人进行的实验研究表明，即使是60×60像素的小像素尺寸也可以实现可靠的AI图像处理。令人惊讶的是，空间分辨率也足以清楚地识别假缺陷。
根据本发明的另外的实施方式，半成品部件承载件是包括多个单独的半成品部件承载件的面板。这可以提供以下优点：可以并行制造多个单独的半成品部件承载件。根据已知的PCB制造方法，可以将优选地最终处理的面板稍后单个化而成为多个单独的半成品部件承载件。该并行方式特别是对于相对较小的单个部件承载件而言增大了所描述的部件承载件制造方法的产量。
优选地，所描述的第一图像和所描述的第二图像覆盖了整个面板或者是覆盖了面板定位有各个半成品部件承载件的至少继续区域。相比于对多个例如第一图像——每个第一图像仅示出了由仅一个单独的半成品部件承载件所占据的面板区域——进行处理，整个面板的所描述的AI图像处理使得所描述的方式的速度显著加快。当然，如在上面已经指出的，在识别出潜在缺陷的子区域之后，可以仅对这些子区域执行AI图像处理。
在本文的上下文中，术语“面板”可以特别地表示如在制造部件承载件期间以分批过程获得的仍成一体地连接的部件承载件的预成型件。例如，这样的面板可以包括仍形成一体式结构且可以以行和列的方式布置的部件承载件的多个预成型件。面板的部件承载件也可以以阵列件的方式布置，例如，每个阵列件包括六个部件承载件。例如，这样的面板可以具有18× 12平方英寸或18×24平方英寸的尺寸。
根据本发明的另外的实施方式，采取的动作是在不介入处理步骤的情况下继续制造部件承载件。
在部件承载件的制造过程中就质量控制而言做出不需要执行特定程序的决定将涉及非常少的精力。换句话说，如果质量分类得出不需要采取特定动作的结论，则仅进行零件承载件的制造过程。例如，所描述的没有中间处理步骤可能涉及不采取任何异常动作或措施，而是进行标准的或预定义的默认处理流程。在不介入处理步骤的情况、在没有人为干预的情况下、在没有真的故障的情况下进行人为干预的情况下，进行继续进行处理。
在实施方式中，该方法包括：当质量分类指示半成品部件承载件没有真实缺陷或真缺陷时，在没有干预的情况下采取继续制造部件承载件的动作。换句话说，当质量分类得出的结论是半成品部件承载件没有真缺陷时，除了继续进行常规制造过程以外无需采取任何特定的动作。
在实施方式中，该方法包括当质量分类指示相应的半成品部件承载件的不可修复的缺陷时在没有干预的情况下采取继续制造部件承载件的动作。因此，将相应的半成品部件承载件例如因已识别出无法修复的或无法通过合理努力修复的至少一个真缺陷而分类为不可修复可能导致将该半成品部件承载件视为最终失败。在这种情况下，该制造方法可以继续处理另一半成品部件承载件，并且不可修复的半成品部件承载件在制造过程结束时将不使用。
根据本发明的另外的实施方式，所采取的动作包括：当质量分类指示半成品部件承载件的可修复的真缺陷时，对半成品部件承载件进行修复。
如果真缺陷具有可以通过自动修复过程或(容易地)由操作人员修复的性质，则所描述的修复可能是适当的动作。通过采取该措施，可以提高部件承载件制造过程的产率。当通过质量分类识别出可修复的缺陷时，半成品部件承载件被相应地分类，并可以执行对其的修复。在成功修复之后，整个半成品部件承载件的分类可以从不通过改为通过。
在实施方式中，修复包括使错误连接的迹线分离、使错误分离的迹线连接、对错误焊料结构的修复、以及对错误的芯的修复中的至少一者。例如，半成品部件承载件的被错误连接的电传导迹线可以通过激光或切割刃而被分离，该激光或切割刃可以自动地操作或在操作员的控制下操作。此外，可以通过对半成品部件承载件的不期望分离的不同迹线进行连接来对其进行修复，例如通过将焊料点或任何电传导糊剂置于两条迹线被错误地断开连接的部分上来对对半成品部件承载件的不期望分离的不同迹线进行连接。例如当焊料结构简单地缺失或具有错误地较小体积时，可以由操作人员或者例如通过合适的机器人自动地将附加的焊料材料施加到所述特定缺陷部分。即使当已经识别出芯时，例如即使当已经识别出半成品部件承载件的完全固化的板状中央结构时，也可以对其进行修复以避免整个部件承载件的损失。同样，这样的修复过程可以由自动地执行或由操作人员手动地执行。
根据本发明的另外的实施方式，该方法还包括通过在多个预定义的缺陷类型中指示缺陷类型来对真缺陷进行分类。。
缺陷类型可以是例如图案化的电传导层的导体迹线的错误连接、导体迹线的错误分离、焊料的量不足，焊料的量过多等。提供频繁出现的缺陷的列表——可以从该列表选择识别出的缺陷——可以简化缺陷处理的过程、特别是缺陷修复的过程。
根据本发明的另外的实施方式，该方法是在完全不涉及操作人员的干预的情况下执行的。这意味着可以以完全不需要人为干涉的方式来实现所描述的方法。已经证明的是，在一定数量的学习循环之后，基于AI的质量分类可能甚至比操作人员者进行更好的分类。通过避免任何人为干预，可以简化部件承载件的制造过程，并且可以提高部件承载件制造中的产量和产率。
根据本发明的另外的实施方式，第一图像、第二图像和虚拟的第三图像包括二维图像。这可以提供以下优点：可以通过至少一个简单的2D相机来实现自动光学检查装置。已经证明的是，对于许多应用而言，将实际数据集与参考数据集进行比较并且另外在仅两个维度上进行随后的AI图像处理就足够了。因此，可以以相对较少量的计算能力来执行所描述的方法。
根据本发明的另外的实施方式，第一图像、第二图像和虚拟的第三图像包括三维图像。这可以提供以下优点：可以对关于潜在缺陷的更多细节进行捕获并进行进一步处理。高度有利的是，图像包括二维图像和三维图像两者。因此，如所描述的方法所定义的进一步处理在质量分类中涉及组合的2D和3D分析。
根据本发明的另外的实施方式，执行自动光学检查的步骤和执行质量分类的步骤是在使用于形成半成品部件承载件的电导体迹线的金属层图案化之后进行的，以评估所形成的导体迹线的质量。这可以提供以下优点：紧接在这种图案化过程之后，可以通过自动光学检查接着在前端进行质量分类来评估图案化过程的成功。在要制造多层部件承载件的情况下，可以针对每个图案化层重复这样的过程。
根据本发明的另外的方面，提供了一种用于在部件承载件的制造期间对半成品部件承载件进行处理的系统。所提供系统包括：(a)构造成用于将半成品部件承载件供应或运输到自动光学检查装置的装置；以及(b)自动光学检查装置，该自动光学检查装置用于执行对半成品部件承载件的自动光学检查。该自动光学检查装置被配置成用于：(b1)通过第一照射捕获半成品部件承载件的第一图像；(b2)通过第二照射捕获半成品部件承载件的第二图像，第一照射的第一光谱成分与第二照射的第二光谱成分不同； (b3)将指示第一图像和第二图像中的至少一者的实际数据集与指示对于半成品部件承载件的参考图像的参考数据集进行比较；以及(b4)基于将实际数据集与参考数据集进行比较的结果，对半成品部件承载件的潜在缺陷进行识别。所提供的系统还包括(c)数据处理装置，数据处理装置与自动光学检查装置以通信的方式耦合，数据处理装置用于执行对半成品产品的质量分类。数据处理装置被配置成：(c1)基于第一图像和第二图像中的至少一者而生成半成品部件承载件的虚拟的第三图像，其中，第三图像指示在虚拟的第三照射的情况下的半成品部件承载件，该第三照射的第三光谱成分与第一光谱成分和第二光谱成分均不同；(c2)通过应用人工智能对第一图像、第二图像和第三图像进行处理；以及(c3)基于人工智能的处理将识别出的潜在缺陷以真缺陷和假缺陷的方式进行分类。所提供的系统该包括(d)执行装置，执行装置基于所执行的质量分类而采取(物理上的) 动作(仅针对真缺陷)。
另外，所描述的系统基于下述思想：通过附加的第三图像，扩展了用于人工智能处理的数据基础。扩展的数据基础可以使人工智能处理更可靠地认识到由先前的AOI程序识别出的潜在缺陷不是真缺陷，而仅是假缺陷。
所描述的运输装置可以通过任何运输系统来实现，该运输系统被设计成沿着直的或弯的运输路径将半成品部件承载件供应到自动光学检查装置。
根据本发明的另外的方面，提供了一种用于制造部件承载件的计算机程序。该计算机程序在由一个或多个处理器执行时适于控制和/或适于执行用于制造部件承载件的上述方法，所述一个或多个处理器包括数据处理器。
如本文所使用的，对计算机程序的引用旨在等同于对程序元素和/或包括用于控制计算机系统以协调上述方法的性能的指令的计算机可读介质的引用。该计算机程序可以以比方说例如JAVA、C++的任何适当的编程语言的形式被实现为计算机可读指令代码，并且该计算机程序可以被存储在计算机可读介质(可移动盘、易失性或非易失性存储器、嵌入式存储器/处理器等)上。指令代码能够操作成对计算机或任何其他的可编程装置进行编程以执行预期功能。该计算机程序可以从网络获得，所述网络例如为万维网，可以从该网络下载计算机程序。
本发明可以借助于计算机程序以及相应的软件来实现。但是，本发明也可以借助于一个或更多个特定的电子电路以及相应的硬件来实现。此外，本发明还可以以混合的形式实现，例如以软件模块与硬件模块的组合的形式实现。本文中所描述的发明也可以以与“CLOUD(云端)”网络结合的方式来实现，该“CLOUD(云端)”网络提供必要的虚拟存储空间和必要的虚拟计算能力。
根据本发明的另外的方面，提供了一种系统架构，该系统架构用于在部件承载件的制造期间对半成品部件承载件的缺陷进行分类。所提供的系统架构可以用于在制造部件承载件时对缺陷进行分类，特别地，。所提供的系统架构可以用于在制造部件承载件时提供上述方法对缺陷进行分类。所提供的系统架构包括：(a)自动光学检查(AOI)系统，AOI系统用于执行对半成品部件承载件的自动光学检查。AOI系统包括：(a1)AOI装置，AOI 装置被配置成用于捕获半成品部件承载件的至少一个图像；以及(a2)数据处理装置，数据处理装置被配置成用于(i)接收所捕获的至少一个图像； (ii)将指示所捕获的所述至少一个图像的实际数据集与指示对于半成品部件承载件的参考图像的参考数据集进行比较；以及(iii)基于将实际数据集与参考数据集进行比较的结果，对半成品部件承载件的潜在缺陷进行识别。所提供的系统架构还包括(b)标准化的数据接口和(c)应用系统(230)，应用系统包括：(c1)至少一个应用服务器，所述至少一个应用服务器经由标准化的数据接口与AOI系统以通信的方式耦合，以对与所捕获的所述至少一个图像和所识别出的潜在缺陷有关的图像信息进行交换，其中，所述至少一个应用服务器被配置成用于对图像信息进行处理。所提供的系统架构包括：(d)人工智能(AI)系统(240)，AI系统包括至少一个AI服务器，所述至少一个AI服务器与应用系统以通信的方式耦合，以用于与应用服务器交换图像信息，其中，所述至少一个AI服务器被配置成用于：(i) 对所交换的图像信息进行处理，(ii)基于人工智能的处理将识别出的潜在缺陷分类为真缺陷和假缺陷，以及(iii)至少与应用服务器交换关于真缺陷和假缺陷的信息。
所描述的系统架构基于下述思想：可以通过信息技术(IT)设备来实现基于AI处理的将缺陷以真缺陷或假缺陷的方式进行分类的缺陷分类，该信息技术设备可以借助于所描述的标准化接口而与AOI系统在逻辑上和/ 或物理上分离。该标准化接口为所描述的系统架构提供了针对所采用的 AOI系统的AOI设备的模块性。由于可以从不同的AOI装置供应者获得该 AOI装置，因此可以通过不同类型的AOI系统来相应地实现所描述的系统架构。这可以提供以下优点：对于所描述的系统架构，可以将同一个IT架构用于不同的AOI系统，而无需调整该IT架构。这使得所描述的系统架构高度灵活。具体地，在无需重新配置任何IT架构的情况下，可以将该IT 架构用于可以由不同的AOI装置供应者提供的许多不同类型的AOI系统。因此，对于每个特定的半成品部件承载件的检查和缺陷识别而言，可以选择最佳的AOI系统。由于标准化的接口，例如由于与用于制造部件承载件的半成品部件承载件的类型的改变有关的标准化的接口，AOI系统可以快速且容易地通过更适于新的类型的半成品部件承载件的另一AOI系统来更换。
所述至少一个AI服务器可以被配置成用于基于所谓的“深度学习”方法进行操作。这允许提供关于(i)确认真缺陷和/或特别是(ii)识别假缺陷的高可靠性。由于在已知的AOI系统的情况下，通过会出现90％的假缺陷的比率，因此需要进行大量的(手动)工作，以便不仅处理真缺陷，而且还要处理这些假缺陷并将这些假缺陷识别为假缺陷。通过所描述的系统架构，可以避免这种无用的且无益的量或工作。因此，可以使部件承载件的整体生产更加有效得多，特别地，可以使多层部件承载件的整体生产更加有效得多。
标准化的接口可以是表示至少对于AOI系统和应用系统而言的“标准”的任何类型的数据接口。因此，可以使用已知的或专用的标准。唯一重要的是，标准化的接口不仅要与应用服务器/应用系统相兼容，而且还要由于至少两个不同的AOI系统。
应当提到的是，(i)经由标准化的接口在AOI系统与应用系统之间交换的图像信息和(ii)在应用系统与AI系统之间交换的图像信息并非需要具有相同的数据格式。此外，就信息内容而言，经由标准化的接口在AOI 系统与应用系统之间交换的图像信息和在应用系统与AI系统之间交换的图像信息甚至并非必须(完全)相同。然而，重要的是，所描述的两个图像信息至少部分地携带相同的信息内容，其中，该(重叠的)信息内容包括所捕获的相应的图像的实际数据集以及对所捕获的图像是否包括至少一个缺陷进行标记的某种类型的标记。从描述上讲，AOI系统向AI系统提供与所捕获的图像中的潜在缺陷有关的信息，而AI系统至少就存在或不存在任何假缺陷而通知应用服务器。
应当指出的是，所描述的系统架构能够在AI系统被训练之后实时地提供关于假缺陷的信息。这对于部件承载件的制造效率而言是很大的优势，原因在于将不再存在与假缺陷检测相关联的延迟。
根据本发明的另外的实施方式，该系统架构还包括控制系统，该控制系统与应用系统以通信的方式耦合，并且控制系统被配置成用于：(i)存储多个单独的半成品部件承载件的标识信息，(ii)接收至少对于半成品部件承载件而言的AOI测量结果，其中，AOI测量结果包括与识别出的潜在缺陷有关的信息，(iii)接收至少对于半成品部件承载件而言的与真缺陷和假缺陷有关的信息，以及(iv)将所接收到的AOI测量结果和所接收到的与真缺陷和假缺陷有关的信息分配给所存储的标识信息。
通过所描述的控制系统，可以将所有技术信息的正确分配正确地归属于相应的(半成品)部件承载件，这些技术信息已经被直接测得或者已经由AOI系统的数据处理装置和/或由AI系统的AI服务器计算出。因此，也可以考虑来自操作员或用户的(手动)输入信息。
在一些实施方式中，所描述的控制系统还包括所谓的制造执行系统 (MES)，所述制造执行系统跟踪并记录原材料和/或半成品部件承载件在其各个处理阶段中的任何转变。此外，所描述的控制系统还可以包括企业资源计划(ERP)计算实体，该企业资源计划(ERP)计算实体运行软件来管理业务运营和客户关系。该软件可以利用由数据库管理系统维护的通用数据库来提供不仅技术流程而且核心业务流程的集成的且持续更新的视图。MES和/或ERP计算实体可以以硬件、软件、或硬件与软件的任何组合来实现。
根据本发明的另外的实施方式，所描述的系统架构还包括数据存储系统，数据存储系统与应用系统以通信的方式耦合，并且数据存储系统被配置成用于存储用于多个半成品部件承载件的经标记的图像信息。因此，每个经标记的图像信息包括：(i)与所捕获的所述至少一个图像和识别出的潜在缺陷有关的图像信息；以及(ii)指示对于每个识别出的潜在缺陷而言该潜在缺陷是否为假缺陷(或镇缺陷)的标签信息。
所描述的数据存储系统可以允许针对到目前为止已经做出的多个AI 判断来收集关于(迄今为止)已经由AI系统获得的假缺陷的信息。由于在本文中被称为标签信息的该信息特别是与相应的捕获图像相关联，因此可以继续扩展可用于由AI系统进行的改进的(深度)学习的数据集。
根据本发明的另外的实施方式，自动光学检查系统还包括AOI数据存储装置，AOI数据存储装置用于存储对于所捕获的多个图像中的每个图像而言的从数据存储系统(经由应用系统)接收到的相关联的标签信息。
AOI数据存储装置可以通过所谓的图像管理系统(IMS)来实现。可以将已知的软件应用用于IMS。
此外，所描述的AOI数据存储装置可以与工作站或工作场所以通信的方式连接，在工作站或工作场所处可以执行对具有(真实的)真缺陷的相应的(半成品)部件承载件的适当处理。如上面已经提到的，这种处理例如可以是这种真缺陷的自动或手动修复。在一些实施方式中，这样的工作站还可以允许对真缺陷进行附加的人工验证。
在下文中，将对与所描述的用于制造部件承载件的方法以及所描述的用于在部件承载件的制造期间处理半成品部件承载件的系统有关的另外的实施方式和技术考虑进行描述。
在实施方式中，该半成品部件承载件包括具有至少一个电绝缘层结构和至少一个电传导层结构的叠置件。在本申请的上下文中，术语“层结构”可以特别地表示连续的层、图案化的层或在共同平面内的多个非连续的岛。层结构可以是电绝缘的和/或电传导的。例如，(半成品)部件承载件可以是上述一个或多个电绝缘层结构和一个或多个电传导层结构的层压件，所述层压件特别是通过施加机械压力和/或热能而形成的。所提及的叠置件可以提供板状的部件承载件，该板状的部件承载件能够为另外的部件提供大的安装表面，并且仍然非常薄且紧凑。
在实施方式中，(半成品)部件承载件被成形为板。这有助于紧凑设计，其中尽管如此，最终的部件承载件仍为部件承载件上的安装部件提供了大的基底。此外，特别地，作为嵌入的电子部件的示例的裸晶片由于其较小的厚度可以方便地嵌入到诸如印刷电路板之类的薄板中。板状的部件承载件还可以确保较短的电连接路径，并且因此可以抑制传输期间的信号失真。在实施方式中，最终的部件承载件被构造为印刷电路板、基板(特别是IC 基板)和中阶层中的一者。
在本申请的上下文中，术语“印刷电路板”(PCB)可以特别地表示通过将多个电传导层结构与多个电绝缘层结构层压而形成的板状的部件承载件，该层压例如通过施加压力和/或通过热能的供应来进行。作为用于PCB 技术的优选材料，电传导层结构由铜制成，而电绝缘层结构可以包括树脂和/或玻璃纤维、所谓的预浸料或FR4材料。通过例如经由激光钻孔或机械钻孔的形成穿过层压件的通孔，并且通过用电传导材料(特别是铜)填充该通孔从而形成过作为通孔连接部的过孔，可以以期望的方式将各电传导层结构连接至彼此。除了可以嵌入在PCB中的一个或更多个部件以外，PCB 通常被构造成用于在板状的PCB的一个表面或两个相反表面上容纳一个或更多个部件。所述一个或更多个部件可以通过焊接连接至相应的主表面。 PCB的介电部分可以包括具有增强纤维(诸如玻璃纤维)的树脂。
在本申请的上下文中，术语“基板”可以特别地表示小的部件承载件。相对于PCB，基板可以是相对较小的部件承载件，在所述相对较小的部件承载件上可以安装有一个或更多个部件，并且所述相对较小的部件承载件可以用作一个或多个芯片与另外的PCB之间的连接介质。例如，基板可以具有与待安装在该基板上的部件(特别是电子部件)大致相同的尺寸(例如，在芯片尺寸封装(CSP)的情况下)。更具体地，基板可以被理解为用于电连接或电网络的承载件以及与印刷电路板(PCB)相当的部件承载件，但是所述基板具有相当较高密度的侧向和/或竖向布置的连接部。侧向连接部例如是传导路径，而竖向连接部可以是例如钻孔。这些侧向和/或竖向连接部布置在基板内，并且可用于提供所容置的部件或未容置的部件(例如裸管芯)——特别是IC芯片——与印刷电路板或中间印刷电路板的电连接和/或机械连接。因此，术语“基板”还可以包括“IC基板”。基板的介电部分可以由具有增强颗粒(诸如增强球，特别是玻璃球)的树脂组成。
基板或中介层可以包括下述各者或由下述各者构成至少一层玻璃、硅 (Si)或可光成像或可干蚀刻的有机材料如环氧基积层材料(例如环氧基积层膜)、或者聚合化合物如聚酰亚胺、聚苯并恶唑或苯并环丁烯。
在实施方式中，上述电绝缘层结构中的每个电绝缘层结构包括以下各项中的至少一者：树脂(诸如增强树脂或非增强树脂，例如环氧树脂或双马来酰亚胺-三嗪树脂)、氰酸酯、聚亚苯基衍生物、玻璃(特别是玻璃纤维、多层玻璃、类玻璃材料)、预浸料(例如FR-4或FR-5)、聚酰亚胺、聚酰胺、液晶聚合物(LCP)、环氧基积层膜、聚四氟乙烯(特氟隆)、陶瓷和金属氧化物。也可以使用例如由玻璃(多层玻璃)制成的增强材料，诸如网状物、纤维或球体。尽管预浸料特别是FR4通常对于刚性PCB是优选的，但也可以使用其他材料，特别是用于基板的环氧基积层膜。对于高频应用，可以在部件承载件中实施诸如聚四氟乙烯、液晶聚合物和/或氰酸酯树脂、低温共烧陶瓷(LTCC)或其他的低DK材料、极低DK材料或超低DK材料之类的高频材料作为电绝缘层结构。
在实施方式中，以上所提到的至少一个电传导层结构中的每个电传导层结构包括铜、铝、镍、银、金、钯和钨中的至少一者。尽管铜通常是优选的，但是其他的材料或其涂覆的其他形式也是可以的，特别地，电传导层结构被涂覆有诸如石墨烯的超导材料。
在实施方式中，部件承载件还包括安装在部件承载件材料上和/或嵌入部件承载件材料中的电子部件，特别是叠置件中的电子部件。例如，电子部件可以是射频半导体芯片，所述射频半导体芯片配置成用于经由布线结构发射和/或接收射频信号并且与电传导布线结构电耦合。因此，电子部件可以被配置成用于执行射频应用，特别是涉及高于1GHz的频率的射频应用。
至少一个部件可以表面安装在部件承载件上和/或嵌入部件承载件中，并且至少一个部件特别地可以选自非导电嵌体、导电嵌体(诸如金属嵌体，优选地包括铜或铝)、传热单元(例如热管)、光导元件(例如光波导或光导体连接件)、光学元件(例如透镜)、电子部件或其组合。例如，所述部件可以是有源电子部件、无源电子部件、电子芯片、存储装置(例如DRAM 或另一数据存储器)、滤波器、集成电路、信号处理部件、功率管理部件、光电接口元件、发光二极管、光电耦合器、电压转换器(例如DC/DC转换器或AC/DC转换器)、密码部件、发射器和/或接收器、机电换能器、传感器、致动器、微机电系统(MEMS)、微处理器、电容器、电阻器、电感、电池、开关、相机、天线、逻辑芯片和能量收集单元。但是，可以在部件承载件中嵌入其他部件。例如，磁性元件可以被用作部件。这种磁性元件可以是永磁元件(诸如铁磁元件、反铁磁元件、多铁性元件或亚铁磁元件，例如铁氧体芯)或者可以是顺磁元件。然而，该部件也可以是基板、中介层或另外的部件承载件，例如呈板中板构型。部件可以被表面安装在部件承载件上和/或可以被嵌入部件承载件的内部。
在实施方式中，(半成品)部件承载件是层压型部件承载件。在这样的实施方式中，部件承载件是通过施加压力和/或热而叠置并连接在一起的多层结构的组合件。
在处理半成品部件承载件的内层结构之后，可以用一个或更多个另外的电绝缘层结构和/或电传导层结构对称地或不对称地覆盖(特别是通过层压)经处理的层结构的一个主表面或两个相反的主表面。换言之，可以继续积层直到获得所需数量的层为止。
在完成电绝缘层结构与电传导层结构的叠置件的形成之后，可以对所获得的层结构或部件承载件进行表面处理。特别地，就表面处理而言，可以将电绝缘阻焊剂施加到层叠置件或部件承载件的一个主表面或两个相反的主表面上。例如，可以在整个主表面上形成例如阻焊剂并随后对阻焊剂的层进行图案化，以暴露一个或更多个电传导表面部分，该电传导表面部分将用于将部件承载件与电子外围进行电耦接。可以有效地保护部件承载件的保持被阻焊剂覆盖的表面部分免受氧化或腐蚀，所述表面部分特别是含铜的表面部分。
就表面处理而言，还可以选择性地将表面修饰应用于部件承载件的暴露的电传导表面部分。这种表面修饰可以是在部件承载件的表面上暴露的电传导层结构(诸如垫、电传导迹线等，所述垫、电传导迹线特别地包括铜或由铜构成)上的电传导覆盖材料。如果这种暴露的电传导层结构不受保护，则暴露的电传导的部件承载件材料(特别是铜)可能氧化，使得部件承载件不太可靠。于是可以形成表面修饰，例如将表面修饰作为表面安装部件和部件承载件之间的界面。表面修饰具有以下功能：保护暴露的电传导层结构(特别是铜电路)，并且能够例如通过焊接而与一个或更多个部件结合的过程。用于表面修饰的适当材料的示例是有机可焊性保护材料 (OSP)、无电镀镍浸金(ENIG)、金(特别是硬金)、化学锡、镍-金、镍- 钯等。
应当指出的是，已经参照不同的主题描述了本发明的实施方式。
然而，本领域技术人员将从以上和以下描述中得的是，除非另外指出，否则除了认为本文公开了对属于一种类型的主题的特征的任意组合以外，还认为本文公开了对涉及不同主题的特征之间的任何组合。
通过将在下面描述的实施方式的示例，本发明的以上限定的方面和其他方面变得明显，并参照这些实施方式的示例进行说明。在下文中将参照实施方式的示例更详细地描述本发明，但本发明不限于此。
附图说明
图1图示了对AOI捕获的图像的AI处理以识别半成品部件承载件上的假缺陷的算法。
图2示出了用于在部件承载件的制造期间对半成品部件承载件的缺陷进行AI分类的系统架构。
图3图示了图2所示的系统架构内的数据流。
具体实施方式
附图中的图示是示意性的。应当指出的是，在不同的附图中，相似或相同的元件或特征被提供有相同的附图标记，或者被提供有仅在第一个数字内与对应的附图标记不同的附图标记。为了避免不必要的重复，已经关于先前描述的实施方式阐述过的元件或特征在本说明书的后面的位置将不再赘述。
图1示出了用于对AOI所捕获的图像进行AI处理以识别假缺陷的算法，该假缺陷已经被半成品部件承载件的表面上的未被描绘的AOI装置检测到。可以针对多层部件承载件的每一层执行所描述的依赖于AOI缺陷检测的算法。可以通过以交替的顺序将电传导层结构与电绝缘层结构顺序地彼此层压来形成这种多层部件承载件。由于用于制造多层部件承载件的方法对于本领域技术人员而言是周知的，因此在本文中没有阐述有关该处理的细节。
所描述的AI处理算法始于从半成品部件承载件180的表面捕获图像，其中，根据已知的AOI缺陷识别，提供了半成品部件承载件180的整个表面的多个局部图像。因此，这些局部图像中的每个局部图像已经被AOI装置认为包括至少一个缺陷，特别地，这些局部图像中的每个局部图像已经被AOI装置认为在图案化的电传导层上包括至少一个缺陷。这样的缺陷可以例如是图案化的电传导层的导体迹线的错误连接或导体迹线的错误分离。
根据所描述的算法，AOI装置为每个假定的或潜在的缺陷区域182提供两个AOI图像，包括第一AOI图像171和第二AOI图像172。第一AOI 图像171已经通过具有第一光谱成分的第一照射光171a捕获。根据此处描述的实施方式，第一照射171a包括红光。第二AOI图像172已经被具有第二光谱成分的第二照射172a捕获。根据此处描述的实施方式，第二照射172a 包括蓝光。
两个AOI图像171和172中的每一者由数据集184表示，数据集184 包括就两个AOI图像171、172的每个像素而言的捕获(灰度)值。根据此处描述的实施方式，这两个图像的像素数为60×60＝3600像素。这个相对较小的数量——所述数量当然与分别仅显示了半成品部件承载件180的整个表面的子区域的两个图像171、172的相对较小的空间分辨率相对应——允许以较少的计算量且在实时处理内实现上述算法。
在这一点处，当然要提到的是，这两个图像171和172不仅可以显示子区域，而且还可以显示半成品部件承载件180的整个表面。然而，当对显示整个表面的图像进行进一步处理时，对于以下神经网络处理而言所需的计算资源将显著地增加。此外，使用半成品部件承载件的整个表面——其中仅相对较小的子区域显示出潜在的缺陷——将会使得神经网络处理的训练和识别过程是困难的，原因在于，简单地说神经网络不知晓看向哪里。因此，神经网络将拾取图像171和/或图像172的不相关的特征。除了增大计算量以外，这些不相关的特征还可能导致神经网络处理的可靠性降低。
所描述的算法继续基于第一AOI图像171和第二AOI图像172中的至少一者而生成半成品部件承载件180的(子区域的)虚拟的第三图像。该虚拟的第三图像包括在虚拟的第三照射的情况下的相应子区域的表示，该虚拟的第三照射具有与第一光谱成分和第二光谱成分均不同的第三光谱成分。根据此处描述的实施方式，第三光谱成分包括(虚拟)绿色照射光。
上面已经描述了生成虚拟的第三图像的基本原理，并且为了本文的简洁起见，这里不再重复。
根据此处描述的实施方式，在生成虚拟的第三图像之前，已经执行了对第一AOI图像171和第二AOI图像172的像素值的可选的归一化。通过这种归一化，像素值被变换为归一化值。所述归一化值使得更容易对所述三个图像进行进一步处理。
如从图1可以看出的，所描述的算法进行所述三个图像的AI处理。该AI处理包括第一AI处理145，第一AI处理145通过涉及多个AI层的(常规)卷积神经网络来执行。在第二AI处理147中，通过所谓的全连接网络而将不同层的结果或每一层的神经节点彼此逻辑互连。这些类型的AI处理的基本原理对于本领域技术人员而言是周知的，并且因此为了本文的简洁起见将不再详细说明。
AI处理145和147的结果是缺陷分类149，该缺陷分类149包括对每个潜在缺陷的改进识别，而无论该缺陷是真缺陷或假缺陷，其中该缺陷先前已经由AOI装置通过已知的但可靠性较低的AOI缺陷识别图像处理被识别到。这允许从用于对相应的半成品部件承载件进行修正的缺陷列表去除假缺陷。明显的是，仅显示作为真缺陷且仅具有很少数量的假缺陷的缺陷的这种合并列表显着地减少了适当后处理的工作量。通过避免与假缺陷相关的后处理的工作量，整个部件承载件制造将更加有效。
图2示出了用于在部件承载件的制造期间对半成品部件承载件的缺陷进行AI分类的系统架构200。系统架构200包括AOI系统210，AOI系统 210包括已知的AOI装置212、AOI数据处理装置214和AOI数据存储装置216。AOI装置212可以是可商购的AOI装置212。根据本发明的实施方式，AOI装置212被配置成用于执行对半成品部件承载件的自动光学检查，其中，在不同的照射条件下从相应的半成品部件承载件捕获两个图像。如上面已经提到的，用于捕获第一图像的第一照射光包括红光，而用于捕获第二图像的第二照射光包括蓝光。
所生成的这两个图像被提供给AOI数据处理装置214。根据此处描述的实施方式，AOI数据处理装置214表示图像管理系统(IMS)，该图像管理系统被配置成用于对从不同的半成品部件承载件捕获的多个相应的两个图像进行管理。AOI数据存储装置216至少临时存储这些图像。AOI数据处理装置214被配置成用于对每个半成品部件承载件上的已经由AOI装置 212检查到的潜在缺陷进行识别。
根据此处描述的实施方式并且根据已知的AOI系统210，AOI数据处理装置214与工作站218以通信的方式耦合，在工作站218处或通过工作站218，可以执行对半成品部件承载件的表面处的(真缺陷)的修复。如上面已经提到的，通常由AOI数据处理装置214报告的大量的假缺陷增大了对潜在缺陷半成品部件承载件进行后处理的工作量。在本文中，工作站218 也被称为验证修复系统(VRS)。
为了减少与处理假缺陷相关联的这种完全无用的工作量，所描述的系统架构200包括标准化的数据接口220，数据接口220允许对假缺陷的(外部)识别。具体地，根据此处描述的实施方式，与(a)所捕获的图像(例如，图像的灰度像素值)和(b)由AOI系统210识别的(潜在)缺陷有关的信息被转发到应用系统230，应用系统230包括至少一个应用服务器232。可选的客户端计算机234连接到应用系统230，以便允许操作员甚至从较远的位置借助于所描述的系统架构200来控制和/或监测缺陷分类和/或整个 AOI处理。
如从图2可以看出的，所描述的系统架构200还包括控制系统250，控制系统250包括企业资源计划(ERP)服务器252和机器执行系统(MES) 254。ERP服务器252和MES 254用于将AI辅助的AOI缺陷识别(信息) 与整个部件承载件制造过程的物流数据关联和/或结合。这些物流数据可以包括例如批号、识别号(用于每个半成品部件承载件和/或最终的部件承载件)、有关负责操作员的信息等。该物流数据可以用于例如整个部件承载件制造过程的所有步骤的可追溯性。
所描述的系统架构200还包括AI系统240和数据存储系统260。AI 系统240和数据存储系统260两者均与应用系统230以通信的方式连接。 AI系统240包括多个AI服务器242，所述多个AI服务器242被配置成用于执行深度学习AI处理。根据此处描述的实施方式，数据存储系统260包括SQL数据存储器262和文件服务器264。
在所描述的系统架构200的操作期间，应用系统230经由标准化的数据接口220从AOI系统210接收所捕获的图像以及与已经由AOI系统210 的AOI数据处理装置214识别出的(在每个图像中的)潜在缺陷有关的信息。所有这些信息被转发到能够对潜在缺陷中的假缺陷进行识别的AI系统 240。
与假缺陷有关的信息被向回传送到应用系统230。因此，对于每个图像而言，(i)已经被证明是假缺陷的缺陷和/或已经被证明是真缺陷的缺陷被以适当的方式标记。被标记的图像被存储在数据存储系统260中。所存储的被标记的图像之后可以在任何时间被用于对深度学习AI系统240的训练进行改善。
与假缺陷有关的和/或与真缺陷有关的信息还被传送到AOI系统210 (经由标准化的数据接口220)。在此，假缺陷信息被用于通知工作站218 (的操作员)关于已经由AOI数据处理装置214识别出的假缺陷。因此，工作站218(的操作员)“不再负担”假缺陷，而是可以集中于对真缺陷进行后处理。
图3示出了系统架构200内的数据流。AOI系统212将捕获的图像实时转发到AOI数据处理装置214的IMS，在AOI系统212中以已知的方式执行(初步)AOI缺陷识别。相应的信息将添加到数据档案文件“*.VRS”中。该档案文件“*.VRS”以已知的方式与工作站/验证修复系统(VRS) 218共享。
如从图3可以看出的，AOI数据处理装置214的IMS将所捕获的图像连同与相应的半成品部件承载件的潜在缺陷有关的(初步)信息一起转发给AI系统240。AI系统240执行上述AI缺陷分类。AI系统240可以以已知的方式利用指示对于先前所捕获的(且经AI处理的)图像而言的真缺陷和假缺陷的数据进行训练。根据此处描述的实施方式，这些数据作为具有适当的判断历史α的档案存储在SQL数据存储器262上，该SQL数据存储器262连接到AI系统240。
已经由AI系统240识别的与假(警报)缺陷有关的所有信息均(经由未被描绘的标准化的数据接口)转发到工作站/VRS218。基于该信息，工作站(的操作员)/VRS 218可以忽略由包括AOI装置212和AOI数据处理装置214的AOI系统210识别出的潜在缺陷中的假缺陷。
应当指出的是，术语“包括”不排除其他元件或步骤，并且冠词“一”或“一种”的使用不排除多个。此外，可以对与不同的实施方式相关联地描述的元件进行组合。还应当指出的是，权利要求中的附图标记不应被解释为限制权利要求的范围。
附图符号列表：
145使用卷积神经网络进行AI处理
147通过全连接网络进行AI处理
149缺陷分类
171第一AOI图像
171a第一照射
172第二AOI图像
172a第二照射
173虚拟的第三图像
180半成品部件承载件
182潜在的缺陷区域
184数据集/灰度值
200系统架构
210AOI系统
212AOI装置
214AOI数据处理装置/IMS集合
216AOI数据存储装置
218工作站
220标准化的数据接口
230应用系统
232应用服务器
234客户端计算机
240AI系统
242AI服务器
250控制系统
252ERP服务器
254机器执行系统
260数据存储系统
262SQL数据存储器
264文件服务器。

Claims (23)

1.一种用于制造部件承载件的方法，所述方法包括：
(a)将半成品部件承载件(180)供应到自动光学检查装置(212)；
(b)借助于所述自动光学检查装置(212)执行对所述半成品部件承载件(180)的自动光学检查，其中，执行所述自动光学检查包括下述步骤：
通过第一照射(171a)捕获所述半成品部件承载件(180)的第一图像(171)；
通过第二照射(172a)捕获所述半成品部件承载件(180)的第二图像(172)，所述第一照射(171a)的第一光谱成分与所述第二照射(172b)的第二光谱成分不同；
将指示所述第一图像(171)和所述第二图像(172)中的至少一者的实际数据集(184)与指示对于所述半成品部件承载件(180)而言的参考图像的参考数据集进行比较；以及
基于将所述实际数据集(184)与所述参考数据集进行比较的结果而对所述半成品部件承载件(180)的潜在缺陷(182)进行识别；
(c)执行对所述半成品部件承载件(180)的质量分类，其中，执行所述质量分类包括下述步骤：
基于所述第一图像(171)和所述第二图像(172)中的至少一者而生成所述半成品部件承载件(180)的虚拟的第三图像(173)，其中，所述第三图像(173)指示在虚拟的第三照射的情况下的所述半成品部件承载件(180)，所述虚拟的第三照射的第三光谱成分与所述第一光谱成分和所述第二光谱成分均不同；
通过应用人工智能而对所述第一图像(171)、所述第二图像(172)和所述第三图像(173)进行处理；以及
基于所述人工智能的处理对识别出的所述潜在缺陷(182)进行分类；以及
(d)基于所执行的所述质量分类而采取动作。
2.根据权利要求1所述的方法，其中，
对识别出的所述潜在缺陷(182)进行分类包括将识别出的所述潜在缺陷(182)以真缺陷和假缺陷的方式进行分类。
3.根据权利要求1或权利要求2所述的方法，其中，
所述第一光谱成分包括至少一个第一波长，
所述第二光谱成分包括至少一个第二波长，并且所述第三光谱成分包括至少一个第三波长，所述第三波长在波长尺度上位于所述第一波长与所述第二波长之间。
4.根据权利要求3所述的方法，其中，
所述第一光谱成分包括红光；以及
所述第二光谱成分包括蓝光。
5.根据权利要求4所述的方法，其中，
所述第三光谱成分包括绿光。
6.根据前述权利要求1至5中的任一项所述的方法，其中，
执行对所述半成品部件承载件(180)的所述质量分类还包括：在生成虚拟的所述第三图像(173)之后且在通过应用人工智能对所述第一图像(171)、所述第二图像(172)和所述第三图像(173)进行处理之前，对所述第一图像(171)、所述第二图像(172)和所述第三图像(173)中的至少一者的像素值(184)进行变换，其中，通过经变换的所述像素值来执行对所述第一图像(171)、所述第二图像(172)和所述第三图像(173)的所述处理。
7.根据前述权利要求1至6中的任一项所述的方法，其中，
通过(i)所述第一图像(171)的第一组第一子图像、(ii)所述第二图像(172)的第二组第二子图像、以及(iii)所述第三图像(173)的第三组第三子图像而对所述第一图像、所述第二图像和所述第三图像进行处理，其中，
每个子图像显示至少一个识别出的潜在缺陷。
8.根据权利要求7所述的方法，其中，
将每组子图像分配给正好一个半成品部件承载件(180)。
9.根据权利要求7或8所述的方法，其中，每个子图像的像素尺寸小于200×200像素，特别地，每个子图像的像素尺寸小于100×100像素。
10.根据前述权利要求1至9中的任一项所述的方法，其中，
所述半成品部件承载件(180)是包括多个单独的半成品承载件的面板。
11.根据前述权利要求1至10中的任一项所述的方法，其中，所采取的所述动作是在不介入处理步骤的情况下继续制造所述部件承载件。
12.根据前述权利要求1至10中的任一项所述的方法，其中，所采取的所述动作包括：当所述质量分类指示所述半成品部件承载件(180)的可修复的真缺陷时，对所述半成品部件承载件(180)进行修复。
13.根据前述权利要求1至12中的任一项所述的方法，还包括：
通过在多个预定义的缺陷类型中指示缺陷类型来对所述真缺陷进行分类。
14.根据前述权利要求1至13中的任一项所述的方法，其中，
在完全无需涉及操作人员的干预的情况下执行所述方法。
15.根据前述权利要求1至14中的任一项所述的方法，其中，
所述第一图像(171)、所述第二图像(172)和虚拟的所述第三图像(173)包括二维图像。
16.根据前述权利要求1至15中的任一项所述的方法，其中，
所述第一图像(171)、所述第二图像(172)和虚拟的所述第三图像(173)包括三维图像。
17.根据前述权利要求1至16中的任一项所述的方法，其中，
在将用于形成所述半成品部件承载件(180)的电导体迹线的金属层图案化之后执行所述自动光学检查并执行所述质量分类，以对所形成的所述导体迹线的质量进行评估。
18.一种用于在部件承载件的制造期间对半成品部件承载件(180)进行处理的系统，所述系统包括：
(a)用于将半成品部件承载件(180)供应到自动光学检查装置(212)的装置；
(b)所述自动光学检查装置(212)，所述自动光学检查装置(212)用于执行对所述半成品部件承载件(180)的自动光学检查，其中，所述自动光学检查装置(212)被配置成用于：
通过第一照射(171a)捕获所述半成品部件承载件(180)的第一图像(171)；
通过第二照射(172a)捕获所述半成品部件承载件(180)的第二图像(172)，所述第一照射(171a)的第一光谱成分与所述第二照射(172b)的第二光谱成分不同；
将指示所述第一图像(171)和所述第二图像(172)中的至少一者的实际数据集(184)与指示对于所述半成品部件承载件(180)而言的参考图像的参考数据集进行比较；以及
基于将所述实际数据集(184)与所述参考数据集进行比较的结果而对所述半成品部件承载件(180)的潜在缺陷进行识别；
(c)数据处理装置(232)，所述数据处理装置(232)与所述自动光学检查装置(212)以通信的方式耦合，所述数据处理装置(232)用于执行对所述半成品部件承载件(180)的质量分类，其中，所述数据处理装置(232)被配置成用于：
基于所述第一图像(171)和所述第二图像(172)中的至少一者而生成所述半成品部件承载件(180)的虚拟的第三图像(173)，其中，所述第三图像(173)指示在虚拟的第三照射的情况下的所述半成品部件承载件(180)，所述虚拟的第三照射的第三光谱成分与所述第一光谱成分和所述第二光谱成分均不同；
通过应用人工智能对所述第一图像(171)、所述第二图像(172)和所述第三图像(173)进行处理；以及
基于所述人工智能的处理将识别出的所述潜在缺陷以真缺陷和假缺陷的方式进行分类；以及
(d)执行装置，所述执行装置用于基于所执行的所述质量分类而采取动作。
19.一种用于制造部件承载件的计算机程序，所述计算机程序在由一个或多个处理器执行时适于控制和/或适于执行根据前述权利要求1至17中的任一项所述的方法，所述一个或多个处理器包括数据处理器。
20.一种系统架构(200)，所述系统架构(200)用于在部件承载件的制造期间对半成品部件承载件(180)的缺陷进行分类，特别地，所述系统架构(200)用于在制造部件承载件期间通过根据前述权利要求1至16中的任一项所述的方法而对半成品部件承载件(180)的缺陷进行分类，所述系统架构(200)包括：
(a)自动光学检查系统(210)，所述自动光学检查系统(210)用于执行对所述半成品部件承载件(180)的自动光学检查，其中，所述自动光学检查系统(210)包括：
自动光学检查装置(212)，所述自动光学检查装置(212)被配置成用于：
捕获所述半成品部件承载件(180)的至少一个图像；以及
数据处理装置(214)，所述数据处理装置(214)被配置成用于：
(i)接收所捕获的所述至少一个图像；
(ii)将指示所捕获的所述至少一个图像的实际数据集(184)与指示对于所述半成品部件承载件(180)而言的参考图像的参考数据集进行比较；以及
(iii)基于将所述实际数据集(184)与所述参考数据集进行比较的结果而对所述半成品部件承载件(180)的潜在缺陷(182)进行识别；
(b)标准化的数据接口(220)；
(c)应用系统(230)，所述应用系统(230)包括：
至少一个应用服务器(232)，所述至少一个应用服务器(232)经由所述标准化的数据接口(220)与所述自动光学检查系统(210)以通信的方式耦合，以对与所捕获的所述至少一个图像和识别出的所述潜在缺陷(182)有关的图像信息进行交换，其中，
所述至少一个应用服务器(232)被配置成用于对所述图像信息进行处理；以及
(d)人工智能系统(240)，所述人工智能系统(240)包括：
至少一个人工智能服务器(242)，所述至少一个人工智能服务器(242)与所述应用系统(230)以通信的方式耦合，以用于与所述应用服务器(232)交换所述图像信息，其中，
所述至少一个人工智能服务器(242)被配置成用于：
(i)对所交换的所述图像信息进行处理，
(ii)基于人工智能的处理而将识别出的所述潜在缺陷(182)分类为真缺陷和假缺陷，以及
(iii)至少与所述应用服务器(230)交换关于真缺陷和假缺陷的信息。
21.根据前述权利要求20所述的系统架构(200)，还包括：
控制系统(250)，所述控制系统(250)与所述应用系统(230)以通信的方式耦合，并且控制系统(250)被配置成用于：
(i)存储多个单独的半成品部件承载件(180)的标识信息，
(ii)接收至少对于所述半成品部件承载件(180)而言的自动光学检查测量结果，其中所述自动光学检查测量结果包括与识别出的所述潜在缺陷(182)有关的信息，
(iii)接收至少对于所述半成品部件承载件(180)而言的所述关于真缺陷和假缺陷的信息，以及
(iv)将所接收到的所述自动光学检查测量结果和所接收到的所述关于真缺陷和假缺陷的信息分配给所存储的所述标识信息。
22.根据权利要求20或21所述的系统架构(200)，还包括：
数据存储系统(260)，所述数据存储系统(260)与所述应用系统(230)以通信的方式耦合，并且所述数据存储系统(260)被配置成用于：
存储对于多个半成品部件承载件(180)而言的经标记的图像信息，其中，每个经标记的图像信息包括：(i)与所捕获的所述至少一个图像和识别出的所述潜在缺陷(182)有关的所述图像信息；以及(ii)对于每个识别出的潜在缺陷(182)而言指示所述潜在缺陷是否为假缺陷的标签信息。
23.根据前述权利要求20至22中的任一项所述的系统架构(200)，其中，所述自动光学检查系统(210)还包括：
自动光学检查数据存储装置(216)，所述自动光学检查数据存储装置(216)用于存储对于所捕获的多个图像中的每个图像而言的从所述数据存储系统(260)接收到的相关联的所述标签信息。
CN202110269628.1A 2021-03-12 2021-03-12 部件承载件制造方法、处理系统、计算机程序和系统架构 Active CN113032919B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202110269628.1A CN113032919B (zh) 2021-03-12 2021-03-12 部件承载件制造方法、处理系统、计算机程序和系统架构
EP22161393.8A EP4057230A1 (en) 2021-03-12 2022-03-10 Manufacturing method of a component carrier, handling system, computer program and system architecture
JP2022036830A JP7302800B2 (ja) 2021-03-12 2022-03-10 部品キャリアの製造方法、取り扱いシステム、コンピュータプログラム、およびシステムアーキテクチャ
US17/654,533 US20220292660A1 (en) 2021-03-12 2022-03-11 Manufacturing Method of a Component Carrier, Handling System, Computer Program and System Architecture
TW111109046A TWI788239B (zh) 2021-03-12 2022-03-11 構件承載件的製造方法，處理系統，電腦程式及系統架構

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110269628.1A CN113032919B (zh) 2021-03-12 2021-03-12 部件承载件制造方法、处理系统、计算机程序和系统架构

Publications (2)

Publication Number Publication Date
CN113032919A true CN113032919A (zh) 2021-06-25
CN113032919B CN113032919B (zh) 2022-03-04

Family

ID=76470083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110269628.1A Active CN113032919B (zh) 2021-03-12 2021-03-12 部件承载件制造方法、处理系统、计算机程序和系统架构

Country Status (5)

Country Link
US (1) US20220292660A1 (zh)
EP (1) EP4057230A1 (zh)
JP (1) JP7302800B2 (zh)
CN (1) CN113032919B (zh)
TW (1) TWI788239B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023272421A1 (en) * 2021-06-28 2023-01-05 Shenzhen Xpectvision Technology Co., Ltd. Battery film testing with imaging systems
CN117333467A (zh) * 2023-10-16 2024-01-02 山东景耀玻璃集团有限公司 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及系统

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080174771A1 (en) * 2007-01-23 2008-07-24 Zheng Yan Automatic inspection system for flat panel substrate
CN106770362A (zh) * 2016-12-27 2017-05-31 武汉精测电子技术股份有限公司 基于aoi的宏观缺陷检测装置及方法
CN107209937A (zh) * 2015-01-31 2017-09-26 文塔纳医疗系统公司 用于使用载片缩略图图像的感兴趣区域检测的系统和方法
CN109540899A (zh) * 2017-09-22 2019-03-29 株式会社斯库林集团 检查装置及检查方法
CN110033035A (zh) * 2019-04-04 2019-07-19 武汉精立电子技术有限公司 一种基于强化学习的aoi缺陷分类方法及装置
CN110349114A (zh) * 2019-05-24 2019-10-18 江西理工大学 应用于aoi设备的图像增强方法、装置及道路视频监控设备
US20190355601A1 (en) * 2018-05-18 2019-11-21 Kla-Tencor Corporation Phase filter for enhanced defect detection in multilayer structure
CN110911298A (zh) * 2018-09-18 2020-03-24 台湾积体电路制造股份有限公司 确定晶圆检查参数方法
US20200098101A1 (en) * 2018-09-21 2020-03-26 Kla-Tencor Corporation Super-Resolution Defect Review Image Generation Through Generative Adversarial Networks
CN111054638A (zh) * 2019-11-27 2020-04-24 奥特斯科技(重庆)有限公司 制造部件承载件的方法及在制造期间操控面板的设备
CN111079564A (zh) * 2019-11-27 2020-04-28 奥特斯科技(重庆)有限公司 处理部件承载件的方法及光学检查设备和计算机可读介质
CN111492727A (zh) * 2018-11-27 2020-08-04 株式会社高迎科技 显示基板的检查结果的电子装置及方法
CN111551130A (zh) * 2019-02-08 2020-08-18 株式会社基恩士 检查装置
CN111788476A (zh) * 2018-02-26 2020-10-16 株式会社高迎科技 部件贴装状态的检查方法、印刷电路板检查装置及计算机可读记录介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100902170B1 (ko) * 2008-05-19 2009-06-10 (주)펨트론 표면형상 측정장치
DE102013109915B4 (de) * 2013-09-10 2015-04-02 Thyssenkrupp Steel Europe Ag Verfahren und Vorrichtung zur Überprüfung eines Inspektionssystems zur Erkennung von Oberflächendefekten
JP7087397B2 (ja) 2018-01-17 2022-06-21 東京エレクトロン株式会社 基板の欠陥検査装置、基板の欠陥検査方法及び記憶媒体
CN110579479A (zh) * 2019-08-09 2019-12-17 康代影像科技(苏州)有限公司 一种基于假点缺陷检测的pcb检修系统及检修方法
JP6857756B2 (ja) * 2020-01-31 2021-04-14 日東電工株式会社 配線回路基板の製造方法および検査方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080174771A1 (en) * 2007-01-23 2008-07-24 Zheng Yan Automatic inspection system for flat panel substrate
CN107209937A (zh) * 2015-01-31 2017-09-26 文塔纳医疗系统公司 用于使用载片缩略图图像的感兴趣区域检测的系统和方法
CN106770362A (zh) * 2016-12-27 2017-05-31 武汉精测电子技术股份有限公司 基于aoi的宏观缺陷检测装置及方法
CN109540899A (zh) * 2017-09-22 2019-03-29 株式会社斯库林集团 检查装置及检查方法
CN111788476A (zh) * 2018-02-26 2020-10-16 株式会社高迎科技 部件贴装状态的检查方法、印刷电路板检查装置及计算机可读记录介质
US20190355601A1 (en) * 2018-05-18 2019-11-21 Kla-Tencor Corporation Phase filter for enhanced defect detection in multilayer structure
CN110911298A (zh) * 2018-09-18 2020-03-24 台湾积体电路制造股份有限公司 确定晶圆检查参数方法
US20200098101A1 (en) * 2018-09-21 2020-03-26 Kla-Tencor Corporation Super-Resolution Defect Review Image Generation Through Generative Adversarial Networks
CN111492727A (zh) * 2018-11-27 2020-08-04 株式会社高迎科技 显示基板的检查结果的电子装置及方法
CN111551130A (zh) * 2019-02-08 2020-08-18 株式会社基恩士 检查装置
CN110033035A (zh) * 2019-04-04 2019-07-19 武汉精立电子技术有限公司 一种基于强化学习的aoi缺陷分类方法及装置
CN110349114A (zh) * 2019-05-24 2019-10-18 江西理工大学 应用于aoi设备的图像增强方法、装置及道路视频监控设备
CN111054638A (zh) * 2019-11-27 2020-04-24 奥特斯科技(重庆)有限公司 制造部件承载件的方法及在制造期间操控面板的设备
CN111079564A (zh) * 2019-11-27 2020-04-28 奥特斯科技(重庆)有限公司 处理部件承载件的方法及光学检查设备和计算机可读介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHEN YANG: "Machine Learning and Computer Vision for PCB Verification", 《DIGITALA VETENSKAPLIGA ARKIVET》 *
卢荣胜 等: "自动光学(视觉)检测技术及其在缺陷检测中的应用综述", 《光学学报》 *
张静: "PCB表观缺陷的自动光学检测理论与技术", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023272421A1 (en) * 2021-06-28 2023-01-05 Shenzhen Xpectvision Technology Co., Ltd. Battery film testing with imaging systems
CN117333467A (zh) * 2023-10-16 2024-01-02 山东景耀玻璃集团有限公司 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及系统
CN117333467B (zh) * 2023-10-16 2024-05-14 山东景耀玻璃集团有限公司 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及系统

Also Published As

Publication number Publication date
CN113032919B (zh) 2022-03-04
JP2022140391A (ja) 2022-09-26
US20220292660A1 (en) 2022-09-15
TW202235858A (zh) 2022-09-16
EP4057230A1 (en) 2022-09-14
JP7302800B2 (ja) 2023-07-04
TWI788239B (zh) 2022-12-21

Similar Documents

Publication Publication Date Title
TWI788239B (zh) 構件承載件的製造方法，處理系統，電腦程式及系統架構
EP3828820A1 (en) Ai based automatic judgment unit for quality classification of semifinished component carriers of a panel based on automatic optical inspection
US11935221B2 (en) User interface for judgment concerning quality classification of displayed arrays of component carriers
US10021785B2 (en) Printed circuit board and method of manufacturing the same
US8186050B2 (en) Printed wiring board manufacturing method
CN107396538A (zh) 一种主板生产线自动化生产管理方法
JP6984106B2 (ja) パッド型アラインメントマーカおよびホール型アラインメントマーカを組み合わせた評価によるコンポーネントキャリア構造の位置調整
CN117783824A (zh) 一种电路板失效分析方法
CN110546643B (zh) 部件承载件相关主体的后续制造层结构的通过横向且竖向移位的信息承载结构的可追溯性
KR101602725B1 (ko) 에이씨에프를 이용한 임베디드 연성회로기판의 제조방법
EP3951526A1 (en) Ai-based determination of action plan for manufacturing component carriers
TWI813036B (zh) 設計用以執行品質測試的試樣之電腦實施系統、電腦實施方法、電腦可讀取媒體、程式元件和方法
EP3982134A1 (en) Automated quality testing of component carrier structure after removing material
EP3982132A1 (en) Coupon for testing quality of related component carriers by automated quality test apparatus
CN112930045A (zh) 对制造部件承载件期间的未对准进行补偿的方法和设备
CN216313508U (zh) 用于制造部件承载件的半成品和用于处理半成品的设备
KR200497750Y1 (ko) 부품 캐리어를 제조하는 동안 부품 캐리어를 점검하기 위한 부품 캐리어 점검 스테이션
Acciani et al. AOI based neurofuzzy system to evaluate solder joint quality
JPH0772094A (ja) ハンダ付け検査装置
JP2015156415A (ja) 部品内蔵基板の製造方法および電子部品搭載装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant